通用小型汽油机用于小型发电机组、社会生产和家庭省力用机具的动力，全世界年产量达 5000 多万台。我国近年快速发展， 2013 年产量达 2400 余万台，已是世界生产基地。 近 10 年间小型汽油机的排放法规不断加严，项目结合行业发展和国际市场需求，研究与国际同步，对共性技术开展攻关，掌握了突破欧美排放法规壁垒的核心关键技术，研发了系列低污染节能小型汽油机产品， 解决了行业发展的难题， 形成的成果丰富了内燃机的理论。项目主要研究内容与创新：（ 1） 突破欧美环保壁垒的低

随着工业和城市的发展，污水处理率的提高，城市污泥产量必然越来越大。污泥是一种很有利用价值的潜在资源，为了充分利用这种资源，减少环境公害，世界上许多国家都在大力发展污泥处置和利用的各种技术。相对于发达国家来讲，我国污泥处理利用技术还比较落后，同时考虑到我国是一个农业大国。因此，将经过稳定 化、无害化处理后的污泥进行土地循环利用，是我国污泥资源化利用较有前景的一种途径。鉴于污泥土地利用所涉及的研究与利用等方面的种种问题，要想达到安全有效的目标，政府有计划地组织环境保护部门同农业部门开展污泥土地利用方面

大型电力变压器是电力系统中电能传输的“核心”枢纽设备，也是双碳背景下大规模新能源电能输送的必经节点，一旦其发生绝缘故障易诱发电网大规模停电事故，造成巨大经济损失，因此亟需准确掌握其绝缘状态。

基于智能终端控制、大数据集群分析、数字网关以及智能云平台等技术构建智慧用能数据服务系统。 项目系统框架图 项目整体思路框架图 项目研究工作分解 针对项目不同负荷类型和典型应用场景，匹配相应的通讯控制模块，通过电力载波或无线等多元传输方式，将用户用能需求等相关电力数据集中在云平台，结合用户行为模型、能耗模型及能源管理控制模型对电力数据进行聚类整合及分析。达到提升用户的用能体验和节省用电成本的双重目标，同时对于电网侧能够利用削峰填谷等策略，增加电网参与辅助服务的力度，有效利用电网资源。 智慧用能平台系统图 目前市场存在的用户用能监测设备及系统之间的数据信息交流往往是单向的，难以达到人们对测量精度和实效性的要求。而本系统基于新型通信和人工智能技术，集成电力信息的感知、采集、通信和控制技术，创建以智能电能表和智能终端为核心的双向互动体系，通过对电流、电压、功率、电量等用户用电信息及温度等环境数据的自动采集，实现对电能的使用情况及各类关键供能用能设备进行的实时监控及能耗监测，对异常值做出预警，通过分析处理采集的数据生成各种用电行为曲线指导用户进行经济合理用电。 技术特点 1、实时性指标 常规数据查询响应时间＜10s；90%界面切换响应时间≤3s，其余≤5s；计算机远程网络通信中实时数据传送时间＜5s。 2、并发指标 支持300用户同时在线，并发要求达到100用户以上，并同时满足以下指标：常规数据查询响应时间≤15秒；主要节点CPU负载≤80%。 3、可用性指标 年可用率≥99.5%。负载率指标：在任意30分钟内，各服务器CPU的平均负荷率≤80%；在任意30分钟内，人机工作站CPU的平均负荷率≤80%；在任意30分钟内，主站局域网的平均负荷率≤80%。 4、存储容量指标 数据在线存储容量满足12个月以上数据存储需求。

技术人才：高分子材料与工程专业；材料化学专业；应用化学专业

成果简介：车辆遥控技术在军事和民用场合有着广泛的应用，遥控车辆在战争、防暴、安全领域应用可以有效地减少人员伤亡，如遥控式防爆机器人、三防遥控机器人、遥控军事试验车等；在民用工程作业中，遥控车辆可以使人脱离危险恶劣的工作环境，提高安全性和舒适度，如遥控压路车、遥控危险试验车辆等。可提高工作效率，有效地减少操作人员的疲劳程度。主要功能和技术指标：远距离控制车辆作业，使其在规定的路径上按操作人员的指令或预设指令行驶；控制车辆完成作业动作；在遥控地点得到车辆本身信息和作业场景信息；在条件和配置许可的条件下

成果简介：增强现实(Augmented Reality，简称 AR)是近年来国外众多知名 大学和研究机构的研究热点之一。该技术借助计算机图形技术和可视化技术产生现实环境中不存在的虚拟对象，并通过传感技术将虚拟对象准确“放置” 在真实环境中，借助显示设备将虚拟对象与真实环境融为一体，并呈现给使 用者一个感官效果真实的新环境。因此增强现实系统具有虚实结合、实时交 互、三维注册的新特点。 项目来源：国家 863 

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。